KOMPONEN-KOMPONEN PENGUKURAN
Model Fungsi: v Ax w
1
Besar variabel
Perkiraan tanda untuk equal distribution: +ve & -ve
Kecenderungan untuk mengikuti ‘NORMAL DISTRIBUTION’
Distribusi Normal
Kasus 1 dimensi:
x
2
2
1
e
2
f ( x)
2
adalah rata-rata (mean)
adalah standar deviasi
~
Ex x dx = mean = 1
st
moment of the distribution
~
2 E x 2 E x 2 2 = variance = 2nd moment of distribution
2
Pr k x k 0.50 untuk k= 0.67
0.90 k=1.65
0.95 k=1.96
0.99 k=2.58
3
Sebagai contoh, probabilitas untuk nilai k = 0.647, 1.645, dan 1.960 disajikan
pada gambar berikut:
4
Akurasi: derajat keterdekatan terhadap nilai sebenarnya (true value); titik
belok = bias.
PENGKLASIFIKASIAN MODEL
Pengukuran (observasi) beserta estimasi ketelitiannya digunakan untuk
menentukan nilai estimasi parameter beserta perambatan kesalahan
pengukuran dan nilai awal:
l , Cl x, C x
dimana l adalah pengukuran, Cl adalah matrik varian/kovarian dari
pengukuran yang berisikan ketelitian (kuadrat standar deviasi) masing-masing
pengukuran beserta korelasinya. Sedangkan x adalah parameter yang dicari
dan Cx adalah matrik varian/kovarian dari parameter yang berisikan ketelitian
(kuadrat standar deviasi) masing-masing parameter beserta korelasinya,
dimana ketelitian parameter ini adalah rambatan dari ketelitian pengukuran.
Pengklasifikasian model-model linier (atau yang telah dilinierkan) dari n
observasi (pengukuran) dengan u unknown parameter dan m persamaan
pengamatan (observation equation) (m akan lebih kecil atau sama dengan n):
Unik (unique) - eksplisit didalam x, model Direct
Overdetermined (berpengamatan lebih) - Indirect: n > u ; Implicit: m > u
Underdetermined (tidak memiliki pengamatan lebih) - n < u , tidak
memiliki kecukupan pengukuran untuk dapat mendapatkan nilai parameter.
KONSEP RANK
Rank dari matrik A adalah dengan ordo m x n adalah urutan dari sub-matrik
yang non-singular yang terbesar yang dibentuk dari baris dan kolom matrik A.
Rank baris adalah jumlah baris independen dari A.
Rank kolom adalah jumlah kolom independen dari A
Full rank terjadi jika determinan matrik A tidak sama dengan nol
Rank (A) = n jika matrik A dengan order n adalah full rank.
5
Suatu matrik bujur sangkar dengan orde n dan full rank jika memiliki n buah
baris dan kolom independen.
Contoh:
1 2 3
A 4 5 6 maka rank (A) = 2 {baris 3 = baris 1 + baris 2}
5 7 9
Suatu matrik non-bujur sangkar akan memiliki rank yang lebih kecil atau sama
dengan orde (ordo) terkecilnya. Hubungan rank dengan model implicit dan
indirect adalah:
Menentukan jumlah kolom independen dari matrik desain A
Untuk A(n x u), dengan n >u, rank (A) akan u.
Menentukan jumlah baris independen dari matrik desain B
Untuk B(m x n), dengan n > m, rank (B) akan m
l1 x2
x1
l4 l2
l6 l5
l3 x3
x4
Contoh:
Dimana l adalah pengukuran beda tinggi, sedangkan x adalah tinggi titik.
Model indirect: v = A x - l
v 1 x1 x 2 l1
v2 x 2 x3 l2
v3 x3 x 4 l3
v 4 x1 x4 l4
v 5 x1 x3 l5
v6 x2 x4 l6
atau:
6
v1 1 1 0 0 l1
v2 0 1 1 0 x1 l2
v 0 l
0 1 1 x 2
3 3
v4 1 0 0 1 x3 l4
v 1 0 1 0 x l
5 4 5
v 0 1 l
6 1 1 6
Perhatikan bahwa matrikA adalah singular, sehingga tidak ada solusi untuk
parameter. Dalam kasus ini perhatikan pula bahwa:
Kolom 1 = - (kol.2 + kol. 3 + kol. 4) sehingga rank (A) = 3.
Karena persamaan disusun berdasarkan observasi/pengukuran maka jumlah
rank yang lebih kecil dari jumlah parameter menyebabkan tidak solusi untuk
parameter. Dengan kata lain dengan terdapatnya “rank defective” karena rank
(A) < 4 menyebabkan nilai-nilai parameter tidak dapat ditentukan.
Disini timbulnya rank defective karena ketiadaan informasi titik tinggi yang
dianggap fix (absolut), pengukuran beda tinggi saja tidak dapat menyelesaikan
(menentukan) tinggi suatu titik. Harus ada minimal satu titik tinggi yang
dianggap fix (xi = konstan), yang akan menghilangkan kolom pertama matrik
A dan mengurangi jumlah unknown parameter dari 4 menjadi 3.
7
Hukum kovarians lebih dikenal dengan istilah aturan perambatan varian atau
aturan perambatan kovarian.
Jika
C x E x Ex x ExT
Cx adalah matrik varian-kovarian dari parameter.
Varian dan Kovarian
Residual : v i lˆ l i dimana lˆ adalah pengukuran teratakan
n
Ekspektasi populasi: El lˆ li
1
n 1
Sehingga Ev 0
l
Varian = 2 E v 2 E l lˆ E l 2 l 2
2
1
l lˆ
2 2
Atau l
n 1
Covariance:
Matrik Covariance
8
Matrik kovarian juga sering disebut dengan matrik varian atau matrik varian-
kovarian. Jika C l E l 1 lˆ1 l 2 lˆ2 dalam bentuk matrik
l1 lˆ1
E 2
l lˆ2
ˆ
l1 l1 l 2 lˆ2 ln ln
ˆ
l n lˆn
E v2
Ev1 v 2 Ev 1 v n
1
E Ev 2 v1 E v 2
2
Ev n v1 E vn 2
2 l1 l 2 l1 ln
l1
2l l2 ln
C l l 2 l1 2
2l
ln l 1 n
Pada umumnya pengukuran tidak berkorelasi, karena itu li l j 0 , sehingga:
2 0
l1
2
Cl l2
2
0
ln
jika semua pengukuran memiliki standar deviasi yang sama (0) maka:
Cl 2 I
0
9
C x E
A 1
l El A 1
l El
T
E
A 1 l El l El T A 1 T
Cx A 1 C l A 1 T
Ex E A 1Bl A 1w
A 1B El A 1w
C x E
A 1
B E l l A 1
B E l l T
E
A 1B l E l l E l T A B 1 T
A 1B E l E l l E l T A B 1 T
A 1B C l A B 1 T
A 1 B C l B A
T 1 T
RINGKASAN
Dalil Perambatan Varian:
1. Model Direct
x Gl w
Cx G Cl G T
2. Model Indirect
l A x w , A matrik bujur sangkar, non-simetris
10
A 1l A 1 Ax A 1w
sehingga: x A 1l A 1w , w adalah non-stokastik
Cx A C A
1
l
1 T
Model Implicit
Ax Bl w 0 , A adalah (m x m) dan simetris
A 1 A A 1B l A 1 w 0
Sehingga: x A 1B l A 1 w
C x A 1 B C l BT A
T 1 T
Start
EXPLICIT In x NO NO
NO LINEAR- NON LINIER
x=g(l) or LINIEAR?
IZEABLE? SOLUTION
x=Gl + w? INDIRECT
OR
IMPLICIT YES
YES
YES LINEARIZE
DIRECT
UNIQUE SOLUTION
EVALUATE x
YES
YES
u = n?
u<n
u>n
11
Bentuk Umum Dalil Perambatan Varians
Linier: y = A x Cy = G Cx GT
Non-linier: y = f (x) Cy = J Cx JT
Dimana J adalah Jacobian matrik dari turunan parsial (df/dx):
Kasus khusu untuk 1 persamaan dengan n buah parameter & diagonal Cx:
y2 = (df/dx1)2 x12 + (df/dx2)2 x22 + …..(df/dxn)2 xn2
2
0
Contoh: z = a1 x + a2 y, dengan Cx = x
0 2y
2z a1 a 2 C x a1 a 2 T
2z a12 2x a 22 2y 2a1a 2 xy
12